Summary
En metode til at estimere ventrikulære fiberorienteringer fra in vivo billeder af patientens hjerte geometrier til personlig modellering er beskrevet. Validering af den metode, der udføres ved hjælp af normal og svigtende hunde hjerter godtgøre, at der ikke er signifikante forskelle mellem anslået og erhvervede fiberorienteringer på et klinisk observerbar niveau.
Abstract
Patient-specifikke simuleringer af hjertet (dys) funktion med henblik på at tilpasse hjerteterapi hæmmes af mangel på in vivo imaging-teknologi for klinisk erhverve myocardiale fiberorienteringer. Formålet med dette projekt var at udvikle en metode til at estimere hjerte fiberorienteringer fra in vivo billeder af patientens hjerte geometrier. En nøjagtig gengivelse af ventrikulær geometri og fiberorienteringer blev rekonstrueret fra henholdsvis høj opløsning ex vivo strukturel magnetisk resonans (MR) og diffusion tensor (DT) MR-billeder af en normal menneskelige hjerte, kaldet atlas. Ventrikulær geometri af en patients hjerte blev ekstraheret via halvautomatisk segmentering, fra en in vivo computertomografi (CT) billede. Brug af billeder transformation algoritmer, blev atlas ventrikulære geometri deformeret til at passe til patienten. Endelig blev deformation felt påføres atlas fiber orientationer for at opnå et skøn over patientens fiberorienteringer. Nøjagtigheden af fiber estimater blev vurderet ved anvendelse af seks normale og tre svigtende hunde hjerter. Den gennemsnitlige absolutte forskel mellem hældningsvinkler af tilkøbte og estimeret fiberorienteringer var 15,4 °. Modelberegninger af ventrikelaktivering kort og pseudo-EKG'er i sinusrytme og ventrikulær takykardi indikerede, at der ikke er signifikante forskelle mellem anslået og erhvervede fiberorienteringer på et klinisk observerbare level.The nye indsigter opnået fra projektet vil bane vejen for udviklingen af patient-specifikke modeller af hjertet, der kan hjælpe læger i personlig diagnose og afgørelser vedrørende elektrofysiologiske indgreb.
Introduction
Den beregningsmæssige tilgang bliver central til at fremme forståelsen af hjertets funktion i sundhed og sygdom. State-of-the-art hel-hjerte modeller af elektrofysiologi og elektromekanik er i øjeblikket anvendes til at studere en bred vifte af fænomener, såsom normal ventrikulær formering, arytmi, defibrillering, elektromekaniske kobling, og kardiel resynkronisering 1. Men for den beregningsmæssige tilgang til at være direkte anvendelig i det kliniske miljø, er det bydende nødvendigt, at modellerne være patient-specifikke, dvs modeller skal baseres på den specifikke arkitektur og elektrofysiologiske eller elektromekaniske egenskaber af patientens syge hjerte. Simulering med sådanne modeller vil hjælpe læger til at nå frem til meget personlige beslutninger for elektrofysiologiske indgreb samt profylakse og dermed dramatisk forbedring af hjertefunktionen sundhedspleje 2-4.
indhold "> Oprettelse af realistiske hjerte modeller kræver erhvervelse af geometrien og fiberstrukturen af en patients hjerte. fiberorienteringer bestemme retninger af elektrisk formering og stamme distributioner i hjertet, og derfor erhverve dem er afgørende for hjerte-modellering 5, 6. Med seneste fremskridt inden for medicinsk billeddannelse, er det nu muligt at opnå geometrien af en patients hjerte, includingstructural remodeling såsom infarkt, in vivo med høj opløsning ved hjælp af magnetisk resonans (MRI) og computertomografi (CT)-teknologier. Der er imidlertid ingen praktisk metode til at opnå fiberstruktur af en patients hjerte in vivo. diffusion tensor (DT) MRI 7, 8, den eneste teknik at opnå fiberorienteringer af det intakte hjerte, er ikke almindeligt tilgængelig in vivo på grund af visse begrænsninger 9. En kort beskrivelse af de tidligere bestræbelser på at omsætte DTMRI til det kliniske miljø kan findes elsewhere 2. Selvom metoder såsom regelbaseret tildeling af fiberorienteringer tilbyde alternativer til DTMRI, disse metoder har visse alvorlige begrænsninger 2, 10. Således problemer med at erhverve hjertets fiberstruktur in vivo øjeblikket hindre anvendelsen af elektrofysiologiske og elektromekaniske kardiale simuleringer i kliniske omgivelser. Formålet med denne undersøgelse var at henvende sig direkte dette behov.Vi antager, at ventrikulære fiberorienteringer af et hjerte kan forudsiges nøjagtigt i betragtning geometrien af hjertet og et atlas, hvor atlas er et hjerte, hvis geometri og fiberorienteringer er tilgængelige. Derfor brugte vi state of the art teknikker til at udvikle en metode til vurdering af kardielle fiberorienteringer in vivo, og testede den hypotese i normal og svigtende hunde ventrikler 2. Den centrale ide i vores fiber estimering metode er at udnytte similaritiesi fiberorienteringer, i forhold til geometri, mellem forskellige hjerter med henblik på at tilnærme fiberstrukturen af en (mål) hjerte hvor der kun geometrien information er tilgængelig. Kernen i vores vurdering metodologi er registreringen af atlas geometri med mål geometri ved hjælp af stor deformation diffeomorf metriske kortlægning (LDDMM) 11, og det morphing af Atlas fiberorienteringer hjælp bevarelse af de vigtigste komponenter (PPD) 2, 12. Den diffeomorphicproperty af LDDMM garanterer, at atlas ikke "Foldover" sig under deformation og dermed bevare de integrityof anatomiske strukturer. Figur 1 viser behandlingen pipeline af vores metode. Protokollen tekstdel § 1 beskriver de forskellige komponenter af rørledningen ved at vise, hvordan skøn kan udføres for eksempel patient. Tallene inde nogle af blokkene i figur 1 henviser til de tilsvarendeunderafsnit under afsnit § 1 i protokollen tekst.
Vi foretaget en vurdering af den foreslåede metodologi ved at kvantificere estimationen fejl, og måle effekten af denne fejl onsimulations af hjertets elektrofysiologi, ved beregningsmæssigt simulere lokale elektriske aktivering kort samt pseudo-elektrokardiogram (pseudo-EKG'er). På grund af den manglende adgang til menneskers hjerter, blev evaluering af ydeevne udføres med hunde hjerter til rådighed fra tidligere undersøgelser 13-15. Skønnet fejl blev beregnet ved hjælp af hældningsvinkler 16, followingthe tradition for histologi, hvor kantede målinger performedon vævssnit, som er skåret parallelt med epicardialsurface. Siden anglebetween fiberretningen og epikardielle tangentplan er generallysmall 17, 18, de oplysninger, tab i at beskrive en fiberdirection helt ved hjælp af sin hældningsvinkel er ubetydelig. For computereationale simuleringer, image-baserede modeller blev bygget som rapporteret tidligere 19, 20, og hjertevæv i modellerne var repræsenteret baseret på etablerede matematiske teknikker og eksperimentelle data 21-25. Sinusrytme blev simuleret ved replikerende aktivering stammer fra Purkinje netværket 26, og ventrikulær takykardi, ved en S1-S2 pacingprotokol 27. Pseudo-EKG'er blev beregnet 28 og sammenlignet med den gennemsnitlige absolutte afvigelse (MAD) metrisk 29.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. Fiberorienteringer Estimation
- Erhverve strukturelle MRI og DTMRI billeder af et normalt voksent menneske hjerte i diastole, ved en opløsning på 1 mm3. Brug ImageJ, den ventrikulære myocardium ekstrakt fra den atlas strukturelle billedet ved montering for hvert kort akse skive, lukkede splines gennem et sæt af skelsættende punkter anbragt langs epikardielle og endokardial grænser i skive (figur 2A & 2B). Udfør placeringen af skelsættende punkter manuelt for hver 10 th udsnit i billedet. Anskaf de skelsættende point for de resterende skiver ved lineært interpolere de manuelt identificerede punkter, ved hjælp MATLAB.Reconstruct fiber orienteringer af atlas hjerte ved at beregne de primære egenvektorer af DTS i DTMRI billede (figur 2C).
- Hente et billede af geometrien af patientens hjerte i diastole anvendelse in vivo hjerte CT-eller MR. Reconkonstruere patientens hjerte geometri fra billedet på lignende måde som den måde, hvorpå atlas blev bygget (figur 3A og figur 3B). Patienten Billedet bør re-samples forud for genopbygning, således at i plan opløsning er 1 mm 2. Ligeledes skal det antal skiver, som lokaliteter manuelt plukket, og intervallet af ud af planet interpolation indstilles således, at den segmenterede patient hjerte billede har en skivetykkelse på 1 mm.
- Deformere det atlas ventrikulær billedet, der svarer til patientens geometri billedet i to trin. I det første trin, en affin transformation baseret på et sæt af tretten landmærker point udføre: den venstre ventrikel (LV) apex, de to højre ventrikel (RV) indsætningspunkter ved basis, de to RV insertion point midtvejs mellem base og spids, og fire sæt af to punkter, der jævnt deler RV og LV epikardielle konturer ved basis, og midt mellem base og apex (figur 4A &
- Morph den DTMRI billede af atlas ved omplacering af billedfiler voxels og re-orientering af DTS ifølge transformationsmatrix af den affine matching og deformation inden for LDDMM transformation. Udfør en nyorientering af DTS ved hjælp af bevarelsen af de vigtigste retninger (PPD)-metoden.
- Opnå den beregne patientens fiberorienteringer fra morphed atlas DTMRI billede ved at beregne den primære egenvektor af DTS (figur 5).
2. Måling af Estimation Error
- Erhverve ex vivo strukturelle MR og DTMR billeder af seks normale og tre svigtende hunde hjerter, med en opløsning på 312,5 × 312,5 × 800 um 3. Her, hjerte failokkemiddel bør produceres ved hjørnetænderne via radiofrekvens ablation af venstre grenblok efterfulgt af 3 ugers tachypacing ved 210 min-1.
- Segment hjertekamrene fra hundens hjerte lighed med den humane atlas hjertet, som beskrevet i § 1.1. Betegne ventrikler segmenterede fra normale hunde hjerter som hjerter 1 til 6, samt dem segmenteret fra at undlade hunde hjerter som hjerter 7 til 9 (figur 6).
- Opnå fem forskellige estimater af ventrikulære fiberorienteringer af hjerte 1 ved anvendelse af hver af Hearts 2 til 6 som et atlas (fig. 7).
- Estimere fiberorienteringer for hver af de svigtende ventrikler med hjerte 1 som atlas (figur 8).
- Foreach datapunkt i hver sæt skønnede fiberorienteringer, beregne estimationen fejl som | θ c-θ a |, hvor θ c og θ en er hældningsvinkler af anslået end erhvervede fiberorienteringer på det tidspunkt hhv.
- For hvert datapunkt i hvert sæt af estimerede fiberorienteringer, beregne den spidse vinkel betweenestimated og erhvervede fiberretningerne i tre dimensioner (3D) ved hjælp af thevector dot produkt.
3. Måling af virkningerne af Estimation Fejl på Simuleringer
- Fra hjerte 1, konstruere seks modeller, den ene med de DTMRI-erhvervet fiberorienteringer af hjerte 1 (omtalt som model 1), og fem med de fem estimerede fiberorienteringer datasæt (modeller 2 til 6). For hver af de tre svigtende hjerte geometrier, bygge to ventrikulære modeller, den ene med DTMRI erhvervet på fiberorienteringer og den anden med de estimerede fiberorienteringer. Her den rumlige opløsning af modellerne, beregnet i forhold til den gennemsnitlige kantlængde af maskerne, bør være omkring 600 um. Betegne hjertesvigt modeller med DTMRI-erhvervet fibre som modeller 7 til 9, og dem med estimated fibre som modeller 10 til 12.In de modeller, bruge monodomain repræsentation til at beskrive hjertets væv, med styrende ligninger:
hvor σ b er hovedparten ledningsevne tensor, der beregnes ud fra de bidomain ledningsevne tensorer som beskrevet af Potse et al 30, V m er det transmembrane potentiale, C m er membranen specifikke kapacitans, og jeg ion er densiteten af den transmembrane strøm, som igen er afhængig af V m og et sæt af tilstandsvariable μ beskrive dynamikken af ioniske strømme på tværs af membrane.For C m, skal du bruge en værdi på 1 μ F / cm 2. For σ i i normale hunde hjerte-modeller, anvendes længderetningennale og tværgående ledningsevneværdier på 0,34 S / m og 0,06 S / m hhv. Repræsentere l lon fra Greenstein-Winslow ioniske modeller af hundens ventrikulære myocyt. Reducer de elektriske ledningsevner i hunde hjertesvigt ventrikulære modeller med 30% (figur 9).
- Ved hjælp af softwarepakken CARP (CardioSolv, LLC), simulere sinusrytme med alle modeller. Induce reentrant ventrikulær takykardi (VT) inden for seks svigtende modeller vha. en S1-S2 pacingprotokol. Vælg timingen mellem S1 og S2 for at opnå vedvarende VT aktivitet i 2 sek efter S2 levering. Hvis VT ikke induceres for nogen S1-S2 timing, mindske ledningsevner med op til 70% indtil VT blev induceret (figur 10).
- For hver simulering, beregne pseudo-EKG'er ved at tage forskellen af ekstracellulære potentialer mellem to punkter i en isotropisk bad omgiver hjerter. Anbring de to punkter nær bunden af den fraskilte hjertetmed 18 cm, således at linien, der forbinder dem, er vinkelrette på basen-spids planet af skillevæggen som vist i figur 10.. For hver simulering med estimerede fiberorienteringer, beregne MAD metrikken som
hvor X er EKG-kurven af simuleringen med estimerede fiberorienteringer, Y er EKG-kurven for thecorresponding simulering med erhvervede fiberorienteringer, X er middelværdien af X, Y er middelværdien af Y, og n er længden af X og Y.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Figur 11, AC viser strømlinede visualiseringer af skønnes samt DTMRI-afledte fiberorienteringer i normale og svigtende hjerter. Kvalitativ undersøgelse viser, at estimerede fiberorienteringer tilpasse godt med DTMRI-afledte dem. Panel D viser, overlejret af geometrien af hjerte 1, fordelingen af fejl i normale hjerter 'hældningsvinkler i gennemsnit på tværs af alle fem estimater. Panel E viser den gennemsnitlige fordeling af fejl ved at undlade hjerter 'hældningsvinkler, overlejret af geometrien af hjerte 1. Bemærk at hældningsvinkler have værdier mellem -90 ° og 90 °, og derfor er skønnet fejl ligger mellem 0 ° og 180 °. Panelerne F og G nuværende sektioner af væv fra fordelingerne i panelerne D og E, hhv. Dette understreger transmural fejlafvigelse. De histogrammer af fejl i panel H tyder på, at de fleste myocardiale voxels har små fejlværdier. Omkring 80% og 75% af voxel harfejl under 20 ° i normale og svigtende ventrikler hhv. Det blev konstateret, at den gennemsnitlige fejl i gennemsnit på tværs af alle estimerede datasæt, og alle billeder voxels, der tilhørte myokardiet, var 14,4 ° og 16,9 ° i normale og svigtende hjertekamrene hhv. Den gennemsnitlige fejl i hele myocardium, i normale og svigtende kombineret tilfælde var 15,4 °. Den gennemsnitlige 3D spidse vinkel mellem anslået og erhvervede fiber retninger var 17,5 ° og 18,8 ° i normale og svigtende hjertekamrene hhv. De 3-D vinkler er sammenlignelige med skønnet errors.These resultater viser, at hældningsvinkler af forudsagte fiberorienteringer kan sammenlignes med dem opnået ved ex-vivo DTMRI, state-of-the-art technique.The standardafvigelsen af fejlen i hele fivedifferent skøn over de fiberorienteringer af hjerte 1 var kun 1,9 indikerer, at variationen i skøn kvalitet fra oneatlas til en anden er lille.
Figur 14 viser simulerede aktivering maps, i apikale visninger af ventriklerne, i løbet af en cyklus af induceret VT i hjertesvigt modeller, og tilsvarende pseudo-EKG'er. Simuleringer med erhvervet og estimeret fiberorientering både udviser tilsvarende tal-of-otte reentrant mønstre. EKG morfologi svarer til anslået og erhvervede fiberorienteringer var i god aftale. Den gennemsnitlige MAD score var 9,3%. Disse resultater viser, at hunde hjerteinsufficiens modeller med estimerede fiberorienteringer nøje kan replikere resultater af VT simuleringer udført under anvendelse erhvervet fiberorienteringer.
Figur 1. Vores behandling pipeline til estimering af ventrikulære fiberorienteringer in vivo. Klik her for at se større figur .
Figur 2. Geometri og fiber orienteringer af entlas ventrikler. (A) The epikardielle (rød) og endokardial (grøn og magenta) splines, og tilsvarende seværdigheder (gul) overlejret på et eksempel skive af atlas billedet. (B) Den atlas ventrikler i 3D. (C) Atlas fiberorienteringer.
Figur 3. Patient ventrikulære geometri genopbygning. (A) The epikardiale (rød) og endokardial (grøn og magenta) splines, og tilsvarende vartegn (gul) lagt oven på et billede skive. (B) patientjournaler ventrikler i 3D.
Figur 4. Deformation af atlas hjertekamrene, så de matcher patientens hjertekamrene. (A) overlejring af ventrikler atlas (magenta, se
Figur 5. Estimeret fiberorienteringer af patientens hjerte i figur 3B.
Figur 6. Segmentering af hunde hjerter. The epikardielle (blå) og endokardial (rød og magenta) splines, og tilsvarende Vartegn (grøn) overlejret på et eksempel skive af en normal hund hjerte.
7.jpg "alt =" Figur 7 "fo: indhold-bredde =" 5in "fo: src =" / files/ftp_upload/50125/50125fig7highres.jpg "/>
Figur 7. De tilkøbte og estimeret fiberorienteringer af hjerte 1.
Figur 8. De tilkøbte og estimeret fiberorienteringer af hjerter 7-9.
Figur 9. Venstre panel viser den beregningsmæssige maske genereret for de modeller af hjerte 1. Til højre er aktionspotentialet kurve for normal hunde ventrikulær myocardium beregnet ved hjælp af Greenstein-Winslow model vises.
Figur 10. Pacing stederne i simulering af sinusrytme og VT, som overlejres af geometrien af hjertet 7. E1E2 illustrerer den ledende vektor, der anvendes i pseudo-EKG beregninger.
Figur 11. Validering af fiberorienteringen estimering metode ved at sammenligne estimerede fiberorienteringer med DTMRI-afledte retningslinjer. (A) overlejring af DTMRI-erhvervet fiberorienteringer (gulgrøn) og et sæt af estimerede fiberorienteringer (cyan) af hjertet 1. (B) Erhvervet og estimeret fiberorienteringer af hjerte 7. (C) en forstørret del af (B) visertilpasning mellem tilkøbte og estimeret fiberorienteringer. Bemærk, at strømliner blev dannet på tilfældige steder i myocardiet til visualisering kun, og så deres nøjagtige positioner, er uden betydning. (D) Fordeling af gennemsnitlig vurdering fejl i normale ventrikler. (E) Fordeling af gennemsnitlig vurdering fejl ved at undlade ventrikler. (F) En del af vævet ekstraheret fra (D). (G) En del af vævet ekstraheret fra (E). Det colorbar gælder for GD. (H) histogrammer af fejl i normale og svigtende ventrikler. Frekvensen angiver antallet af voxels, der har en given fejl.
Figur 12. Resultater fra simuleringer af et slag af sinusrytme i normale hunde ventrikulære modeller. (A) Aktivering kort simuleret ved hjælp af modellen med erhvervet fiber retningslinjer (model 1). (B) Absolut forskel mellem simulerede aktivering maps opnået fra en ventrikulær model med erhvervede fiberorienteringer og med estimerede fiberorienteringer, i gennemsnit over de fem estimater. (C) Simulerede pseudo-EKG'er med model 1 og 3. (D) Simulerede aktivering kort fra hjertekamrene med estimerede fiberorienteringer (modeller 2-6).
Figur 13. Resultater fra simuleringer af et slag af sinusrytme i svigtende hjerte modeller. I th e første kolonne, beregnet rækker 1-3 viser aktivering maps ved hjælp af modeller 7-9, hhv. I den anden kolonne. Række 1-3 display resultater af simuleringer med modeller 10-12, henholdsvis Række 1-3 i tredje kolonne skildre den absolutte forskel mellem aktiveringsindsatsen kortene vist i first og anden kolonne af den tilsvarende række. Rækker i fjerde kolonne viser simuleret pseudo-EKG'er fra modeller i den første og anden kolonne af den tilsvarende række.
Figur 14. Resultater fra simuleringer af VT induktion med det svigtende hjerte modeller. Række 1-3 i den første kolonne viser aktivering kort i løbet af en cyklus af reentrant aktivitet i simuleringer med modeller 7-9, hhv. Række 1-3 i anden kolonne viser aktivering kort, der svarer til modellerne 10-12, hhv. Rækker i den tredje kolonne viser pseudo-EKG'er fra modeller i den første og anden kolonne af den tilsvarende række.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Denne forskning viser kvantitativt, at, i fravær af DTMRI, kan myokardial fiberorienteringer af normale og svigtende ventrikler estimeres ud fra in vivo billeder af deres geometrier til anvendelse ved simulering af hjerteelektrofysiologi. Den foreslåede metode er demonstreret med in vivo CT-data, men det er lige så anvendelig til in vivo MR-billeder af ventrikulær geometri, som omhandler den manglende evne til direkte erhverve patientens fiberorienteringer. Det er således et vigtigt skridt i retning af udvikling af individualiserede modeller for ventrikulær elektrofysiologi til kliniske anvendelser. Den metode kan også anvendes til at estimere fiberorienteringer i ex-vivo hjerter med høj opløsning. Dette er især nyttigt, når erhvervelse af sub-millimeter opløsning DTMRI billeder er vanskeligt eller uoverkommeligt dyrt, på grund af de meget lange erhvervelsestider.
Vores elektrofysiologiske simuleringtioner foreslog, at aktivering kortene ikke var meget følsomme over for ændringer i fiberorienteringer. Mere vigtigt har vi vist, at virkningerne af fiber fejlmålinger på grov elektrofysiologi var ubetydelig på et klinisk observerbar niveau ved hjælp af MAD score af de pseudo-EKG'er. Den MAD metriske var suitablebecause det er blevet anvendt i kliniske studier, at compareECGs af reentrant aktivitet og pacet formering for localizationof de organisatoriske centre for reentrante kredsløb 29. En MADscore på mindre end 12%, en tærskel, at vores resultater tilfredsstille, indebærer, at de to underliggende propagationpatterns klinisk er equivalent.Note at ligheden mellem formering mønstre vil oversætte til lave forskellige mekaniske aktivering mønstre så godt, som rapporteret forsøg viser, at de lokale elektriske og mekaniske aktivering gange under sinusrytme er stærkt korreleret. Sammenfattende vil vores forskning lette ventrikulære Simuleringsundersøgelserne af enhver spetikker i sundhed og sygdom, når det ikke er muligt at erhverve fiberorienteringer hjælp DTMRI. Især baner den foreslåede metodologi vejen for patient-specifikke modellering af ventrikulære hel-hjerte elektrofysiologi (og muligvis) elektromekanik udelukkende er baseret på in vivo kliniske billeddiagnostiske data. Simuleringer med sådanne modeller kan i sidste ende hjælpe læger til at nå frem til meget personlige beslutninger for terapeutiske indgreb samt profylakse. Øvrigt vores resultater viste, at udførelsen af den foreslåede metode var uafhængigt af valget af atlas.Accordingly, med henblik på denne undersøgelse kan en statistisk atlas 17, 31 ikke påkrævet.
Den aktuelle undersøgelse har nogle begrænsninger. For det første er menneskets hjerte billeddata oplysninger ikke var tilgængelige for os, og derfor theproposed skøn metoden blev valideret med imagesof hunde hjerter. Vi forventer, at metoden vil accuratelyestimate fiberorienteringer i brummenen hjerter samt fordi, ligesom i hunde hjerter, har fiber orienteringer i forhold til geometri vist sig at være ens mellem forskellige menneskehjerter 17. Også, vi testet vores metode i normale andfailing hjerter alene. Det ville være vigtigt at teste det under betingelser, såsom myokardieinfarkt og hypertrofi, hvor fiber disorganizations vides at forekomme 32, 33.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Ingen interessekonflikter erklæret.
Acknowledgments
Vi takker Drs. Raimond Winslow, Elliot McVeigh, og Patrick Helm på Johns Hopkins University for at levere de ex vivo datasæt online.This Forskningen blev støttet af National Institutes of Health tilskud R01-HL082729, og National Science Foundation tilskud CBET-0.933.029.
Materials
| Name | Company | Catalog Number | Comments |
| LDDMM | Johns Hopkins University | http://cis.jhu.edu/software/lddmm-volume/index.php | |
| MATLAB | Mathworks, Inc. | R2011b | http://www.mathworks.com/products/matlab/ |
| ImageJ | National Institutes of Health | http://rsbweb.nih.gov/ij/ | |
| Tarantula | CAE Software Solutions | http://www.meshing.at/Spiderhome/Tarantula.html | |
| CARP | CardioSolv | http://cardiosolv.com/ | |
| Canine images | Johns Hopkins University | http://www.ccbm.jhu.edu/research/DTMRIDS.php |
References
- Trayanova, N. Whole Heart Modeling: Applications to Cardiac Electrophysiology and Electromechanics. Circulation Research. 108, 113-128 Forthcoming.
- Vadakkumpadan, F., Arevalo, H., Ceritoglu, C., Miller, M., Trayanova, N. Image-Based Estimation of Ventricular Fiber Orientations for Personalized Modeling of Cardiac Electrophysiology. IEEE Transactions on Medical Imaging. 31 (5), 1051-1060 Forthcoming.
- Vadakkumpadan, F., Gurev, V., Constantino, J., Arevalo, H., Trayanova, N. Modeling of Whole-Heart Electrophysiology and Mechanics: Towards Patient-Specific Simulations. Patient-Specific Modeling of the Cardiovascular System: Technology-Driven Personalized Medicine. Kerckhoffs, R. , Springer. 145-165 (2010).
- Buxton, A. E., Lee, K. L., DiCarlo, L., Gold, M. R., Greer, G. S., Prystowsky, E. N., O'Toole, M. F., Tang, A., Fisher, J. D., Coromilas, J., Talajic, M., Hafley, G. Electrophysiologic testing to identify patients with coronary artery disease who are at risk for sudden death. Multicenter Unsustained Tachycardia Trial Investigators. The New England Journal of Medicine. 342 (26), 1937-1945 (2000).
- Wei, D., Okazaki, O., Harumi, K., Harasawa, E., Hosaka, H. Comparative simulation of excitation and body surface electrocardiogram with isotropic and anisotropic computer heart models. IEEE Transactions on Biomedical Engineering. 42 (4), 343-357 (1995).
- Leon, L. J., Horacek, B. M. Computer model of excitation and recovery in the anisotropic myocardium. II. Excitation in the simplified left ventricle. Journal of Electrocardiology. 24 (1), 17-31 (1991).
- Rohmer, D., Sitek, A., Gullberg, G. T. Reconstruction and Visualization of Fiber and Laminar Structure in the Normal Human Heart from Ex Vivo Diffusion Tensor Magnetic Resonance Imaging (DTMRI) Data. Investigative Radiology. 42 (11), 777-789 (2007).
- Daubert, J. P., Zareba, W., Hall, W. J., Schuger, C., Corsello, A., Leon, A. R., Andrews, M. L., McNitt, S., Huang, D. T., Moss, A. J., Investigators, M. I. S. Predictive value of ventricular arrhythmia inducibility for subsequent ventricular tachycardia or ventricular fibrillation in Multicenter Automatic Defibrillator Implantation Trial (MADIT) II patients. Journal of Americal College of Cardiology. 47 (1), 98-107 (2006).
- Sosnovik, D. E., Wang, R., Dai, G., Reese, T. G., Wedeen, V. J.
- Sundar, H., Shen, D., Biros, G., Litt, H., Davatzikos, C. Estimating myocardial fiber orientations by template warping. Proc. IEEE International Symposium on Biomedical Imaging. , 73-76 (2006).
- Beg, M. F., Helm, P. A., McVeigh, E., Miller, M. I., Winslow, R. L. Computational Cardiac Anatomy Using MRI. Magnetic Resonance in Medicine. 52 (5), 1167-1174 (2004).
- Alexander, D. C., Pierpaoli, C., Basser, P. J., Gee, J. C. Spatial Transformations of Diffusion Tensor Magnetic Resonance Images. IEEE Transactions on Medical Imaging. 20, 1131-1139 (2001).
- Helm, P. A., Younes, L., Beg, M. F., Ennis, D. B., Leclercq, C., Faris, O. P., McVeigh, E., Kass, D., Miller, M. I., Winslow, R. L. Evidence of Structural Remodeling in the Dyssynchronous Failing Heart. Circulation Research. 98, 125-132 (2006).
- Helm, P., Beg, M. F., Miller, M., Winslow, R. Measuring and mapping cardiac fiber and laminar architecture using diffusion tensor MR imaging. Annals of the New York Academy of Sciences. 1047, 296-307 (2005).
- Helm, P. A., Tseng, H. -J., Younes, L., McVeigh, E. R., Winslow, R. L. Ex vivo 3D diffusion tensor imaging and quantification of cardiac laminar structure. Magnetic Resonance in Imaging. 54, 850-859 (2005).
- Scollan, D. F., Holmes, A., Winslow, R., Forder, J. Histological validation of myocardial microstructure obtained from diffusion tensor magnetic resonance imaging. American Journal of Physiology - Heart and Circulatory Physiology. 275 (6), H2308-H2318 (1998).
- Lombaert, H., Peyrat, J., Croisille, P., Rapacchi, S., Fanton, L., Cheriet, F., Clarysse, P., Magnin, I., Delingette, H., Ayache, N. Human Atlas of the Cardiac Fiber Architecture: Study on a Healthy Population. IEEE Transactions on Medical Imaging. 31 (7), 1436-1447 (2012).
- Streeter, D. D. Gross morphology and fiber geometry of the heart. , Johns Hopkins Press. Baltimore. (1979).
- Vadakkumpadan, F., Rantner, L. J., Tice, B., Boyle, P., Prassl, A. J., Vigmond, E., Plank, G., Trayanova, N. Image-Based Models of Cardiac Structure with Applications in Arrhythmia and Defibrillation Studies. Journal of Electrocardiology. 42, 151.e1-151.e10 (2009).
- Plank, G., Zhou, L., Greenstein, J. L., Plank, G., Zhou, L., Greenstein, J. L., Cortassa, S., Winslow, R. L., O'Rourke, B., Trayanova, N. A. From mitochondrial ion channels to arrhythmias in the heart: computational techniques to bridge the spatio-temporal scales. Philosophical Transactions Series A, Mathematical, Physical, and Engineering Sciences. 366 (1879), 3381-3409 (2008).
- Roberts, D. E., Scher, A. M. Effect of tissue anisotropy on extracellular potential fields in canine myocardium in situ. Circulation Research. 50, 342-351 (1982).
- Greenstein, J., Wu, R., Po, S., Tomaselli, G. F., Winslow, R. L. Role of the Calcium-Independent Transient Outward Current I(to1) in Shaping Action Potential Morphology and Duration. Circulation Research. 87, 1026-1033 (2000).
- Winslow, R., Rice, J., Jafri, S., Marbán, E., O'Rourke, B. Mechanisms of altered excitation-contraction coupling in canine tachycardia-induced heart failure, II: model studies. Circulation Research. 84 (5), 571-586 (1999).
- Akar, F., Nass, R., Hahn, S., Cingolani, E., Shah, M., Hesketh, G., DiSilvestre, D., Tunin, R., Kass, D., Tomaselli, G. Dynamic Changes in Conduction Velocity and Gap Junction Properties During Development of Pacing-Induced Heart Failure. American Journal of Physiology - Heart and Circulatory Physiology. 293 (2), H1223-H1230 (2007).
- Gurev, V., Constantino, J., Rice, J. J., Trayanova, N. Distribution of Electromechanical Delay in the Ventricles:Insights from a 3D Electromechanical Model of the Heart. Biophysical Journal. 99 (3), 745-754 Forthcoming.
- Ten Tusscher, K. H. W. J., Hren, R., Panfilov, A. V. Organization of Ventricular Fibrillation in the Human Heart. Circulation Research. 100 (12), e87-e101 (2007).
- Gima, K., Rudy, Y. Ionic Current Basis of Electrocardiographic Waveforms. Circulation Research. 90, 889-896 (2002).
- Gerstenfeld, E., Dixit, S., Callans, D., Rajawat, Y., Rho, R., Marchlinski, F. Quantitative comparison of spontaneous and paced 12-lead electrocardiogram during right ventricular outflow tract ventricular tachycardia. Journal of Americal College of Cardiology. 41 (11), 2046-2053 (2003).
- Potse, M., Dube, B., Richer, J., Vinet, A., Gulrajani, R. M. A comparison of monodomain and bidomain reaction-diffusion models for action potential propagation in the human heart. IEEE Transactions on Biomedical Engineering. 53 (12), 2425-2435 (2006).
- Peyrat, J. -M., Sermesant, M., Pennec, X., Delingette, H., Chenyang, X., McVeigh, E. R., Ayache, N. A Computational Framework for the Statistical Analysis of Cardiac Diffusion Tensors: Application to a Small Database of Canine Hearts. IEEE Transactions on Medical Imaging. 26, 1500-1514 (2007).
- Chen, J., Song, S. -K., Liu, W., McLean, M., Allen, S. J., Tan, J., Wickline, S. A., Yu, X. Remodeling of cardiac fiber structure after infarction in rats quantified with diffusion tensor MRI. American Journal of Physiology - Heart and Circulatory Physiology. 285 (3), H946-H954 (2003).
- Stecker, E. C., Chugh, S. S. Prediction of sudden cardiac death: next steps in pursuit of effective methodology. Journal of Interventional Cardiac Electrophysiolog. 31 (2), 101-107 (2011).
